論文の概要: Curriculum Learning for Generative Flexible Docking

• arxiv url: http://arxiv.org/abs/2610.28145v1
• Date: Tue, 20 Oct 2026 12:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.821724
• Title: Curriculum Learning for Generative Flexible Docking
• Title（参考訳）: フレキシブルドッキングのためのカリキュラム学習
• Abstract要約: フレキシブルドッキングは、タンパク質-リガンド複合体の結合構成を予測することを目的とした、非常に実践的なタスクである。 拡散モデルとフローベース生成モデルにより、この作業は容易になったが、中心的な課題は、長い尾を持つアポ-ホロ構造シフトのままである。 本研究は,大規模シフト事例の減重化が一般化を促進するという実践的な観察に動機付けられ,本課題にカリキュラム学習を適用することを提案する。
• 参考スコア（独自算出の注目度）: 9.066039929848094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flexible docking is a highly practical task, aiming to predict the joint configuration of a protein-ligand complex from a protein apo structure and a ligand SMILES string. Diffusion and flow-based generative models have made this task tractable by modeling the posterior distribution over the ligand pose and the protein conformation conditioned on the apo input. The central challenge, however, remains the long-tailed apo-to-holo structure shift, where a small fraction of protein undergo large conformational changes. In this work, motivated by the practical observation that downweighting large shift examples improves generalization, and by the mixed nature of the long tail consisting of genuinely difficult examples and noisy ones, we propose to use curriculum learning for this task, gradually incorporating large conformational change examples during training. With a linear pacing function, we show that an existing method can be strongly enhanced. On the PDBBind ESMFold apo benchmark, with relaxation and confidence-based pose selection, the resulting model GCLDock achieves a 46.52% top-1 success rate (ligand RMSD less than 2A) and 40.26% when additionally requiring PoseBusters validity, outperforming existing baselines.
• Abstract（参考訳）: フレキシブルドッキングは、タンパク質のアポ構造とリガンドSMILES文字列からタンパク質-リガンド複合体の結合構成を予測することを目的とした、非常に実用的なタスクである。 拡散およびフローベース生成モデルにより、このタスクは、リガンドポーズ上の後部分布と、アポ入力に条件付けられたタンパク質のコンフォメーションをモデル化することで、実行可能となった。 しかし、中心的な課題は、少数のタンパク質が大きなコンフォメーション変化を起こす長い尾を持つアポ-ホロ構造シフトのままである。 本研究は,大規模なシフト例の重み付けが一般化を促進するという現実的な観察に動機付けられ,真に難しい例とノイズのある例からなる長い尾の混合特性により,カリキュラム学習を応用し,トレーニング中の大規模なコンフォーメーション変化例を徐々に取り入れることを提案する。 線形ペーシング関数を用いることで,既存の手法を強力に拡張できることを示す。 PDBBind ESMFoldのベンチマークでは、緩和と信頼に基づくポーズ選択により、結果のモデルGCLDockは46.52%の成功率(2A未満)と40.26%を達成した。

関連論文リスト

• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion [31.34032485865941]
  分散学習問題として,ポイントワイズ変換の回帰を再構成する新しいフレームワークであるSimbaを紹介する。 提案手法は, 対称性の先行と拡散モデルの強力な生成能力を統合し, インスタンス固有の記憶を避ける。
  論文  参考訳（メタデータ） (2025-11-20T09:02:42Z)
• Long-tailed Recognition with Model Rebalancing [34.149401963172934]
  長い尾の認識はユビキタスで、ディープラーニングでは難しい。 本稿では,モデルのパラメータ空間を直接再バランスすることで不均衡を緩和する新しいフレームワーク,Model Rebalancingを提案する。 MOREは、特に尾クラスの一般化を大幅に改善し、既存の不均衡緩和手法を効果的に補完する。
  論文  参考訳（メタデータ） (2025-10-09T13:04:38Z)
• Evolutionary Profiles for Protein Fitness Prediction [45.945064429964084]
  EvoIFは、配列構造表現を進化的信号と融合させ、ログノードスコアリングのキャリブレーションされた確率を得る。 タンパク質Gym (217変異アッセイ; >2.5M変異株)について、EvoIFとそのMSA対応変異体は、トレーニング深度のわずか0.1%を使用しながら、最先端または競争的な性能を達成する。
  論文  参考訳（メタデータ） (2025-10-08T17:46:02Z)
• Round-trip Reinforcement Learning: Self-Consistent Training for Better Chemical LLMs [51.29260537017623]
  大規模言語モデル (LLM) は計算化学の汎用基盤モデルとして登場しつつある。 これらのモデルは、しばしば往復一貫性を欠いている。 本稿では,その一貫性を向上させるためにモデルをトレーニングする新しいフレームワークであるRound-Trip Reinforcement Learning(RTRL)を紹介する。
  論文  参考訳（メタデータ） (2025-10-01T23:58:58Z)
• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking [36.14826783009814]
  従来のドッキング法は、タンパク質と薬物のドッキングを予測するために、スコアリング機能とディープラーニングに依存している。 本稿では,タンパク質リガンドドッキングポーズ予測のためのトランスフォーマーニューラルネットワークを提案する。 実データを用いた実験結果から,本モデルが最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T06:23:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。